一种用于供需预测的情景集成关系时空模型

传统的需求预测方法仅关注对时间依赖性的建模。然而，对时空数据的预测需要建模复杂的非线性关系与空间依赖。此外，动态情景信息会对需求值产生显著影响，因此需要被捕捉。例如，在共享单车系统中，单车使用会受到天气影响。现有方法假定情景影响是固定的。但我们注意到，情景影响随时间演化。我们提出了一种新颖的情景集成关系模型——情景集成图神经网络（CIGNN），它利用时间、关系、空间以及动态情景依赖进行多步超前需求预测。我们的方法考虑跨越多个地理位置的需求网络，并将该网络表示为图。我们定义需求图，其中节点表示需求时间序列；以及情景图（每类情景一个），其中节点表示情景时间序列。假设各类情景不断演化并对需求波动产生动态影响，我们提出的 CIGNN 模型采用一种融合机制，联合从所有可用类型的情景信息中学习。据我们所知，这是首个将动态情景与图神经网络集成用于时空需求预测的方法，从而提升了预测精度。我们在两个真实世界数据集上给出了实证结果，表明 CIGNN 在周期性与非规则时间序列网络中均持续优于最先进的基线方法。